对煤矿井下视频监控中的人员身份进行智能识别，对提高人员监管效率、减少安全事故发生具有重要意义。受井下环境复杂、视频监控设备性能局限性影响，井下视频监控图像存在分辨率低、遮挡、背景干扰等问题，导致井下人员间差异性较小，人员重识别准确率低。针对上述问题，提出了一种基于通道注意力和距离度量的网络结构，并将其用于井下复杂环境人员重识别。针对监控图像中人员与背景不易区分的问题，在骨干网络中引入通道注意力模块，使其更加关注人员的前景特征而抑制背景信息，并将骨干网络最后一层输出的特征图大小扩大1倍，以获得更多的细粒度特征，丰富人员的特征信息，增强网络对特征的学习能力；在实现不同身份人员分类的基础上，利用人员图像间的绝对距离信息，通过距离度量模块对难以识别的人员图像进行采样和加权处理，增加难样本在反向传播时的权重，使网络更加关注具有判别力的人员特征；联合使用身份损失和距离度量损失优化特征层，使网络提取出更具判别力的人员特征，从而提高重识别准确度。采用Miner-CUMT数据集对提出的井下复杂环境人员重识别方法进行验证，结果表明该方法可充分利用井下不同身份人员的关键信息，使识别效果显著提升。